💻 ciência da computação

AE-DSP: An Explainable Intrusion Detection Framework for Zero-Day Attacks Based on SHAP Contribution-Space Modeling

Este artigo propõe o AE-DSP, um framework de detecção de intrusão explicável que aborda o desafio da detecção de ataques de dia zero ao modelar desvios de contribuição SHAP dentro de um espaço unificado para capturar tanto anomalias estruturais globais quanto padrões semânticos por dimensão, alcançando alto desempenho e rastreabilidade em múltiplos conjuntos de dados de referência.

Autores originais: Yifan Liu, Zheng Liu, Wenlei Chai, Miaolin Wang, Junjie Qiu, Yi Liu

Publicado 2026-11-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yifan Liu, Zheng Liu, Wenlei Chai, Miaolin Wang, Junjie Qiu, Yi Liu

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo digital, os sistemas de segurança atuam como sentinelas constantes, vigiando o fluxo de dados para detectar intrusos antes que causem danos. Por décadas, esses sistemas confiaram em um princípio simples: eles aprendem a aparência de um criminoso conhecido estudando milhares de exemplos passados. Se um novo visitante corresponde ao padrão de um ladrão conhecido, o alarme soa. No entanto, essa abordagem possui um ponto cego fatal. Ela não consegue reconhecer um criminoso que nunca foi visto antes, um atacante de "dia zero" (zero-day) que utiliza um método completamente novo. Os sistemas tradicionais são como seguranças que conhecem apenas os rostos de pessoas em uma lista específica de "proibido entrar"; se um estranho entrar usando um disfarce que eles nunca encontraram, o segurança pode deixá-lo passar. O desafio para os pesquisadores é construir um sistema que possa identificar um estranho como perigoso, mesmo sem nunca ter visto esse tipo específico de estranho antes, compreendendo as formas sutis e não naturais pelas quais eles tentam interagir com a rede.

Uma equipe de pesquisadores da Universidade de Hebei desenvolveu um novo framework chamado AE-DSP para resolver exatamente este problema. Em vez de tentar memorizar os rostos de cada possível criminoso, o sistema deles foca na lógica de como as decisões são tomadas. Eles começam com um detector de segurança padrão, uma ferramenta que já aprendeu a distinguir entre o tráfego normal e ataques conhecidos. Em vez de apenas olhar para o veredito final que essa ferramenta fornece, os pesquisadores removem as camadas para ver por que ela tomou aquela decisão. Eles decompõem cada pedaço de dado em um pacote de rede e perguntam: quanto essa informação específica empurrou o sistema em direção a pensar "isso é um ataque"? Isso cria um mapa detalhado de influência para cada momento de tráfego, mostrando exatamente quais características estão impulsionando o alarme.

A inovação reside em como eles utilizam esse mapa. Os pesquisadores perceberam que o tráfego normal segue um padrão de influência muito consistente; as características que mais importam para uma conexão normal sempre contribuem de uma forma previsível. Quando ocorre um ataque de dia zero, ele interrompe esse padrão. O novo sistema, AE-DSP, constrói um modelo de referência do que a influência "normal" parece ser. Ele então observa dois tipos específicos de problemas. Primeiro, ele busca por um senso geral de erro, onde o padrão geral de influência é tão diferente do normal que se destaca imediatamente. Segundo, e mais importante, ele busca por desvios específicos e estruturados. Ele pergunta: o ataque alterou a influência de características específicas de uma forma que se assemelha à forma de ataques conhecidos, mesmo que as características específicas sejam diferentes? Para fazer isso, o sistema aprende "protótipos semânticos", que são essencialmente arquétipos de como os ataques tipicamente distorcem o processo de tomada de decisão. Esses protótipos atuam como uma biblioteca de padrões suspeitos, permitindo que o sistema reconheça um novo ataque porque ele compartilha a mesma "impressão digital" estrutural de distorção dos antigos, mesmo que o ataque em si seja totalmente novo.

Os resultados desta abordagem são impressionantes. Os pesquisadores testaram seu sistema em três grandes conjuntos de dados contendo milhões de registros de rede, incluindo NSL-KDD, UNSW-NB15 e CICIDS2017. Nestes testes, o sistema foi treinado apenas com tráfego normal e um conjunto de ataques conhecidos, enquanto um conjunto completamente diferente de ataques não vistos foi reservado para o teste final. O framework AE-DSP identificou com sucesso essas ameaças não vistas com uma precisão notável. No conjunto de dados NSL-KDD, ele detectou 97,74% dos novos ataques. No UNSW-NB15, detectou 93,50%, e no complexo conjunto CICIDS2017, detectou 92,51%. Esses números representam uma melhoria significativa em relação aos métodos existentes, que frequentemente têm dificuldade em detectar ataques que nunca viram antes. O sistema também manteve um alto nível de precisão na identificação de ataques conhecidos, garantindo que não se tornasse tão sensível a novas ameaças a ponto de começar a sinalizar atividades normais como perigosas.

O que torna esta descoberta particularmente valiosa não é apenas a alta taxa de detecção, mas a clareza que ela proporciona. Em muitos sistemas de segurança avançados, quando um alarme dispara, o operador é deixado com uma "caixa preta" que diz "ameaça detectada", mas não oferece explicação. O AE-DSP muda isso. Como o sistema rastreia as contribuições específicas de cada característica, ele pode rastrear o alarme até a fonte exata do problema. Se o sistema sinaliza um pacote, ele pode apontar para as partes específicas do fluxo de dados que causaram o desvio, como um estado de conexão incomum ou um padrão de acesso a serviço estranho. Isso permite que os analistas de segurança entendam por que uma decisão foi tomada, transformando um alerta misterioso em um insight claro e acionável. Os pesquisadores descobriram que a capacidade do sistema de explicar suas decisões não era apenas um efeito colateral, mas uma parte central de seu sucesso, pois a lógica usada para explicar a ameaça era a mesma lógica usada para detectá-la.

O estudo também abordou a realidade prática de operar tal sistema. Embora o processo de decompor os dados para entender sua influência exija um poder computacional significativo, os pesquisadores descobriram que a etapa de detecção real — a parte que acontece após os dados serem analisados — é muito rápida. Isso significa que o sistema poderia ser implantado em cenários do mundo real, talvez rodando em servidores poderosos para analisar o tráfego em lotes, em vez de tentar interromper cada pacote em tempo real. A equipe confirmou que seu método é estável, produzindo resultados consistentes mesmo quando os processos computacionais subjacentes são reiniciados ou levemente alterados. Eles também mostraram que o sistema funciona bem em diferentes tipos de dados de rede, sugerindo que o método de buscar desvios estruturais na tomada de decisão é uma forma robusta de lidar com o cenário em constante mudança das ameaças cibernéticas.

Em última análise, este trabalho desloca o foco de memorizar o passado para compreender a natureza do presente. Ao transformar os dados brutos em um espaço onde a lógica do detector é visível, os pesquisadores criaram uma ferramenta que pode identificar o desconhecido ao reconhecer o não natural. É um movimento de longe do simples pareamento de padrões em direção a uma compreensão mais profunda e flexível do que constitui uma anomalia. Embora o sistema ainda enfrente desafios com ataques que são extremamente sutis ou que variam amplamente dentro de um único grupo, os resultados demonstram que é possível construir uma defesa que seja altamente eficaz contra novas ameaças e transparente em seu raciocínio. Isso oferece um caminho promissor para a cibersegurança, onde o objetivo não é apenas conhecer o inimigo, mas compreender a própria mecânica do ataque.

Resumo Técnico: Estrutura AE-DSP para Detecção de Ataques Zero-Day

1. Definição do Problema

O desafio central nos Sistemas de Detecção de Intrusão de Rede (NIDS) é a detecção de ataques zero-day. Diferente de ataques conhecidos, as classes zero-day não estão disponíveis durante a fase de treinamento, o que impede os modelos de aprender suas distribuições condicionais de classe ou fronteiras de decisão específicas. As abordagens existentes geralmente dependem de detecção de anomalias, reconhecimento de conjunto aberto (open-set recognition) ou generalização zero-shot, construindo critérios de detecção a partir de distribuições de tráfego bruto, representações aprendidas ou relações ao nível de classe. No entanto, esses métodos frequentemente subutilizam a evidência ao nível de amostra que liga diretamente as características de entrada ao processo de decisão do detector. Especificamente, os métodos existentes falham em explorar plenamente a estrutura multidimensional de como as características individuais contribuem para uma predição, muitas vezes resumindo a evidência de anomalia em um único escore que perde informações direcionais e estruturais.

2. Metodologia: Estrutura AE-DSP

Os autores propõem o AE-DSP (Autoencoder-Deviation Semantic Prototypes), uma estrutura explicável que transforma contribuições pós-hoc de SHAP (SHapley Additive exPlanations) em um espaço de contribuição unificado e relevante para a tarefa. A estrutura opera sob um protocolo rigoroso de "retenção" (held-out), onde as classes zero-day alvo são excluídas do treinamento e da validação.

2.1 Espaço de Contribuição SHAP Relevante para a Tarefa

Em vez de usar características brutas de tráfego, o AE-DSP decompõe a saída de um detector base supervisionado (LightGBM) em contribuições por característica usando TreeSHAP.

Seleção Global Top-k: Para garantir um sistema de coordenadas fixo, a estrutura seleciona as $k$ dimensões de características superiores com base em sua importância global (valor absoluto médio de SHAP) calculada exclusivamente a partir do conjunto de treinamento.
Representação: Cada amostra é representada como um vetor $\mathbf{z}_i$ neste espaço de $k$ dimensões, onde cada elemento corresponde ao valor SHAP de uma característica específica. Isso preserva o alinhamento entre as dimensões de contribuição e as características originais do tráfego, focando na evidência de decisão relevante para a tarefa.

2.2 Modelagem de Dupla Evidência de Anomalia

O AE-DSP modela duas formas complementares de evidência de anomalia dentro deste espaço de contribuição:

Desvio Geral ( $E_{dev}$ ):
- Mecanismo: Um autoencoder (AE) é treinado exclusivamente nas contribuições dos vetores de tráfego normal. Ele aprende a reconstruir a estrutura típica da evidência de decisão normal.
- Detecção: Para uma amostra de teste, o erro de reconstrução quadrático é calculado. Este erro é robustamente padronizado usando a mediana e a amplitude interquartil (IQR) dos erros de treinamento normais.
- Significância: Um alto erro de reconstrução indica que a estrutura de contribuição da amostra desvia significativamente da linha de base normal aprendida, independentemente da classe de ataque específica.
Desvio de Contribuição por Dimensão ( $E_{pat}$ ):
- Mecanismo: A estrutura calcula vetores DeltaSHAP, que representam o desvio padronizado das contribuições de uma amostra em relação à linha de base de contribuição média do tráfego normal.
- Protótipos Semânticos de Desvio (DSPs): Para capturar a natureza multimodal dos comportamentos de ataque, o sistema aprende $M$ Protótipos Semânticos de Desvio representativos a partir dos vetores DeltaSHAP de ataques conhecidos apenas. Esses protótipos atuam como centros compactos para diferentes padrões de desvios de contribuição.
- Detecção: Para uma amostra de teste, a distância até o DSP mais próximo é calculada e convertida em um escore de similaridade. Este escore é robustamente escalonado usando a distribuição de similaridades observadas nas amostras de treinamento normais.
- Significância: Isso captura a direção, localização e força relativa das mudanças de contribuição, permitindo que o modelo combine ataques não vistos contra padrões de desvio representativos aprendidos de ataques conhecidos.

2.3 Fusão e Explicabilidade

Fusão: O escore de detecção final é uma soma ponderada da evidência de desvio geral ( $E_{dev}$ ) e da evidência de padrão de desvio de contribuição ( $E_{pat}$ ).
Explicabilidade: Como o espaço de contribuição se alinha com as características originais, a decisão pode ser rastreada. O sistema identifica o DSP mais próximo (indicando o tipo de padrão de desvio) e as dimensões dominantes do DeltaSHAP (indicando quais características específicas impulsionaram a anomalia).

3. Principais Contribuições

O artigo descreve três contribuições primárias:

Espaço de Contribuição SHAP Relevante para a Tarefa: Uma formulação que representa explicitamente as relações característica-decisão ao nível de amostra, fornecendo uma representação informada pelo detector para ataques não vistos, mantendo a correspondência com as características originais do tráfego.
Modelagem de Desvio Baseada em Referência Normal: Uma estratégia que caracteriza amostras não vistas usando dois tipos de evidência complementares:
- Desvio Geral: Captura partidas da estrutura de contribuição normal.
- DeltaSHAP por Dimensão: Preserva os detalhes estruturais das mudanças de contribuição e os relaciona a padrões representativos aprendidos de ataques conhecidos.
Avaliação Abrangente: Experimentos extensos em NSL-KDD, UNSW-NB15 e CICIDS2017 sob protocolos rigorosos de retenção (held-out), incluindo estudos de ablação, análises de estabilidade e validação quantitativa de explicabilidade.

4. Resultados Experimentais

A estrutura foi avaliada em três conjuntos de dados com variados tipos de ataques e distribuições de tráfego.

Métricas de Desempenho:
- NSL-KDD: F1-score de 0,9341, New Recall (detecção zero-day) de 0,9774.
- UNSW-NB15: F1-score de 0,9250, New Recall de 0,9350.
- CICIDS2017: F1-score de 0,9025, New Recall de 0,9251.
Vantagem Comparativa: O AE-DSP alcançou o maior New Recall entre os métodos comparados (incluindo aumento generativo, aprendizado por reforço profundo e abordagens de reconhecimento de conjunto aberto) em todos os três conjuntos de dados. Por exemplo, no NSL-KDD, seu New Recall foi 1,34 pontos percentuais superior ao segundo melhor método (ADQN).
Estudos de Ablação: Remover a transformação SHAP (usando características brutas) ou remover qualquer componente do AE ou do DSP degradou significativamente o desempenho, confirmando a necessidade do espaço de contribuição e a complementaridade dos dois tipos de evidência.
Estabilidade: A análise de estabilidade de semente aleatória mostrou baixos desvios padrão no F1-score e no New Recall. A análise de sensibilidade de parâmetros indicou que o modelo é robusto a variações no número de dimensões top-k e na contagem de protótipos.
Validação de Explicabilidade: O mascaramento das dimensões dominantes do DeltaSHAP causou uma queda significativa no New Recall (por exemplo, 21,20 pontos percentuais para 10 dimensões no NSL-KDD) em comparação com o mascaramento aleatório, validando que as características identificadas são de fato críticas para a decisão. Os protótipos DSP mostraram alta pureza e baixa entropia, confirmando que capturam padrões estruturados.

5. Significância e Limitações

Significância:
O artigo afirma que o AE-DSP demonstra que a evidência de anomalia relevante para a tarefa derivada de detectores supervisionados pode generalizar efetivamente para ataques não vistos. Ao transformar características brutas em um espaço de contribuição SHAP, a estrutura preenche a lacuna entre o conhecimento discriminativo ao nível do modelo e a modelagem de anomalia ao nível da amostra. Ele equilibra com sucesso a detecção de ataques zero-day (alto New Recall) com a preservação da detecção de ataques conhecidos (alto Known Recall) e fornece explicações ao nível de instância que rastreiam decisões de volta às contribuições de características específicas.

Limitações e Trabalhos Futuros:
Os autores reconhecem modestamente várias limitações:

Granularidade de Características: A estrutura atual depende de características de nível de fluxo e pode não capturar totalmente padrões comportamentais de longo prazo ou contexto de sessão, tornando-a menos eficaz contra ataques furtivos que se sobrepõem fortemente ao tráfego normal em estatísticas de nível de fluxo.
Gargalo Computacional: A geração de contribuições TreeSHAP é o custo computacional dominante (aprox. 94% da latência de inferência), limitando a adequação da estrutura para bloqueio em tempo real (line-rate) de pacotes. Atualmente, é mais viável para detecção em micro-lotes suportada por GPU ou auditoria offline.
Direções Futuras: Os autores sugerem incorporar informações temporais, de nível de sessão e de nível de host, bem como investigar métodos de computação de contribuição mais rápidos ou aproximados para melhorar a aplicabilidade em tempo real.